数据挖掘在彩信运营支撑中的应用研究
发布时间:2020-11-22 03:42
业界普遍认为彩信业务将是3G市场启动和发展的关键动力,具有广阔的应用前景和发展空间。当前运营商的彩信运营缺乏有效的系统支撑。基于此,本文重点研究数据挖掘方法在彩信运营支撑中的应用,并探讨构建面向数据业务的网络质量提升支撑平台的思路。本文的主要研究成果如下: 1、提出混沌粒子群算法,并在此基础上改进了BP神经网络预测模型,应用于彩信指标预测。 传统粒子群算法在寻优过程中不同程度地存在早熟问题而易陷入局部最优解,本文在粒子群算法中引入混沌思想对之进行改进:首先混沌初始化粒子群中粒子的位置,保证在搜索空间的大范围内初始化粒子群中粒子的位置;然后调用基本的粒子群方法,当粒子群中出现有多个粒子距离足够近的情况,则对该粒子赋予混沌状态搜索。通过Rosenbrock和Schaffer等经典测试函数进行测试,Rosenbrock函数最小适应值由8.78下降到4.90,Schaffer函数成功搜索次数也大大提高。 建立在混沌粒子群算法基础上的改进BP神经网络彩信指标预测模型,主要通过输入节假日、当前用户数、市场行为、历史指标情况等信息来预测彩信提交总量、彩信提交成功量、彩信下发总量、彩信下发成功量、彩信端对端成功率等彩信指标,并以此指导运营商的网络建设及调整,并可利用该预测结果来指导市场行为,辅助业务部门制定营销策略,实施精细化营销。在应用中,该预测模型很好地预测出彩信业务总量的变化,帮助企业及时启动营销策划,取得较好效果。 2、提出基于模糊聚类分析的彩信客户分类模型用于实现对彩信客户进行分类。 该模型融合用户彩信业务使用情况、用户信息、用户数据业务使用情况等相关信息,基于模糊聚类算法,实现将客户分为四个聚类结果:潜在客户、高活跃客户、沉默客户和可保持客户。并针对重点的沉默和高活跃客户采取专项市场提升活动,展开精细化营销,达到了很好的提升效果。 3、提出面向数据业务网络质量客户感知的TSPA网络质量提升模型的构想。 以彩信业务为切入点,以数据业务网络质量客户感知为导向,应用数据挖掘等技术,对网络质量管理过程、网络质量技术指标以及数据业务网络质量客户感知进行科学关联,建立网络质量提升专家知识库和模型集,提出TSPA网络质量管理分析模型,力求能发现最能提升客户感知的措施并用于指导彩信保障工作的开展。力求基于上述模型,构建出“数据业务综合运营支撑管理平台”。为彩信等数据业务的指标运营和维护提供一个规范、高效的支撑平台。
【学位单位】:北京邮电大学
【学位级别】:硕士
【学位年份】:2009
【中图分类】:F626;F224
【部分图文】:
图(5一11)IADIF闭环管理流程图“面向数据业务网络质量客户感知的TS以网络质量提升模型”具备以下特点:(1)模型首创性地建立了网络提升手段与数据业务网络质量客户感知关联的映射集。“面向数据业务网络质量客户感知的TSPA网络质量提升模型”以数据业务网络质量客户感知调研诊断为基础,结合网络质量管理过程及网络质量技术指标,建立了网络质量管理分析模型,将网络质量技术指标、数据业务网络质量客户感知、以及网络质量管理过程进行了科学的关联,并在此基础上建立了网络质量提升手段、网络质量技术指标、数据业务网络质量客户感知三者之间相互关联的映射集。(2)模型解决了网络提升手段如何有效指向数据业务网络质量客户感知提升的难题。“面向数据业务网络质量客户感知的TS队网络质量提升模型”建立了”网
彩信运营支撑管理平台软件体系结构分为:数据获取层、数据存储层、数据应用层、数据访问层等
【参考文献】
本文编号:2894057
【学位单位】:北京邮电大学
【学位级别】:硕士
【学位年份】:2009
【中图分类】:F626;F224
【部分图文】:
图(5一11)IADIF闭环管理流程图“面向数据业务网络质量客户感知的TS以网络质量提升模型”具备以下特点:(1)模型首创性地建立了网络提升手段与数据业务网络质量客户感知关联的映射集。“面向数据业务网络质量客户感知的TSPA网络质量提升模型”以数据业务网络质量客户感知调研诊断为基础,结合网络质量管理过程及网络质量技术指标,建立了网络质量管理分析模型,将网络质量技术指标、数据业务网络质量客户感知、以及网络质量管理过程进行了科学的关联,并在此基础上建立了网络质量提升手段、网络质量技术指标、数据业务网络质量客户感知三者之间相互关联的映射集。(2)模型解决了网络提升手段如何有效指向数据业务网络质量客户感知提升的难题。“面向数据业务网络质量客户感知的TS队网络质量提升模型”建立了”网
彩信运营支撑管理平台软件体系结构分为:数据获取层、数据存储层、数据应用层、数据访问层等
【参考文献】
相关期刊论文 前10条
1 王岁花,冯乃勤,李爱国;一类新颖的粒子群优化算法[J];计算机工程与应用;2003年13期
2 李祥飞,邹恩,张泰山;基于混沌变量的前向神经网络结构优化设计[J];控制与决策;2003年06期
3 杨克俭,丁学钧;数据挖掘及其应用研究回顾[J];福建电脑;2004年07期
4 杨俊杰,周建中,喻菁,吴玮;基于混沌搜索的粒子群优化算法[J];计算机工程与应用;2005年16期
5 李菁菁,邵培基,黄亦潇;数据挖掘在中国的现状和发展研究[J];管理工程学报;2004年03期
6 杨维,李歧强;粒子群优化算法综述[J];中国工程科学;2004年05期
7 刘自发,葛少云,余贻鑫;基于混沌粒子群优化方法的电力系统无功最优潮流[J];电力系统自动化;2005年07期
8 郭蕴华,陈定方;基于模糊聚类分析的客户分类算法研究[J];计算机应用研究;2005年04期
9 马辉民;李强;;应用AHP层次分析法评估ERP项目风险[J];计算机与数字工程;2006年03期
10 糜元根;数据挖掘方法的评述[J];南京化工大学学报(自然科学版);2001年05期
本文编号:2894057
本文链接:https://www.wllwen.com/jingjilunwen/xxjj/2894057.html